集成学习

浅析XGBOOST

前言xgboost是一种集成学习算法，通过回归树，每一次对残差（实际值与预测值之差）进行拟合，最后把预测值相加得到最终的预测值。
南风寄羽·2020-01-10 12:04

随机森林的算法思想

本章涉及到的知识点清单：1、集成学习2、bagging模式3、随机森林的思想4、CART算法5、分类树6、回归树7、数据样本和feature的随机采样8、决策树节点的完全二分裂9、随机森林的构造步骤10
PrivateEye_zzy·2020-01-08 20:47

《Scikit-Learn与TensorFlow机器学习实用指南》 第10章 人工神经网络

（第一部分机器学习基础）第01章机器学习概览第02章一个完整的机器学习项目（上）第02章一个完整的机器学习项目（下）第03章分类第04章训练模型第05章支持向量机第06章决策树第07章集成学习和随机森林第
SeanCheney·2020-01-08 15:51

集成学习资料

文献资料周志华教授的书EnsembleMethod:FoundationsandAlgorithms对bias-variance介绍的文章UnderstandingtheBias-VarianceTradeoffJMLR2014年对不同分类器的比较DoweNeedHundredsofClassifierstoSolveRealWorldClassificationProblems?sklearn机
EdwardMa·2020-01-06 16:46

机器学习-梯度下降参数调优小结

目前梯度下降更成为了一种解决问题的方法和思路，在集成学习和深度学习领域都有较多的应用。
何柯君·2020-01-06 14:04

机器学习回顾篇（13）：集成学习之AdaBoost

在上一篇博客中，我们总结了集成学习的原理，并展开介绍了集成学习中Bagging和随机森林这一分枝算法，在本篇博客中，我们继续介绍另一个分枝——Boosting，并对Boosting系列中的经典算法Adaboost
奥辰·2020-01-06 07:00

（一）：随机森林算法梳理

1.集成学习概念集成学习的是先通过一定的规则生成多个学习器，再采用某种集成策略进行组合，最后综合判断输出最终结果。一般而言，通常所说的集成学习中的多个学习器都是同质的"弱学习器"。
两个橘子·2020-01-06 05:52

Sklearn randomforest与bagging算法使用

bagging与randomforest是集成学习中的两个比较出名的算法，特点是都可以并行。
marvinxu·2020-01-05 18:57

XGBoost算法思想

本章涉及到的知识点清单：1、boosting模式2、集成学习模型的偏差和方差3、bagging的偏差和方差4、boosting的偏差和方差5、XGBoost的基础模型6、XGBoost的目标函数7、优化目标函数
PrivateEye_zzy·2020-01-05 17:37

集成学习之提升法

AdaBoost定义AdaBoost最流行的提升法的一种方式之一,将几个弱学习器集合成一个强学习器的任意集成方法.AdaptiveBoosting的缩写.它专注于对前序进行纠正,关注前序拟合不足的训练实例.使用步骤构建一个AdaBoost分类器,首先需要训练一个基础分类器(如决策树),用它对进行训练集进行预测.然后对错误分类的训练实例增加其相对权重,循环更新权重后再进行训练.缺点这种依序学习技术无
吴霸格07·2020-01-05 04:48

机器学习（5）之集成学习（RF\AdaBoost\GBDT）

目录1集成学习的思想1.1Bagging简介1.2Boosting简介1.3Stacking简介2随机森林(RandomForest)2.1算法流程2.3TRTE2.4IsolationForest(IForest
天涯未抵·2020-01-03 12:00

随机森林算法介绍(理论)

一、集成学习和体格学习器的概念集成学习：通过构建并结合多个学习器来完成任务，有时也被称为多分类器系统、基于委员会的学习等。
泡泡坪·2020-01-02 17:06

[Deep Learning] 生成模型

本系列前四篇传送门：第一篇[DeepLearning]神经网络基础；第二篇[DeepLearning]卷积神经网络CNNs；第三篇[DeepLearning]集成学习EnsembleLearning&迁移学习
JingYANG_8·2020-01-02 09:54

机器学习回顾篇（12）：集成学习之Bagging与随机森林

1引言¶集成学习算法是当下炙手可热的一类算法，在诸多机器学习大赛中都频繁出现它的身影。准确来说，集成学习算法并不是一个单独的机器学习算法，而是通过构建多个学习器，博采众家之长，共同求解问题的一种思想。
奥辰·2020-01-02 07:00

机器学习回顾篇（12）：集成学习之Bagging与随机森林

1引言¶集成学习算法是当下炙手可热的一类算法，在诸多机器学习大赛中都频繁出现它的身影。准确来说，集成学习算法并不是一个单独的机器学习算法，而是通过构建多个学习器，博采众家之长，共同求解问题的一种思想。
奥辰·2020-01-02 07:00

机器学习——XGboost算法

XGboost算法XGBoost是GBDT算法的一种改进，是一种常用的有监督集成学习算法；是一种伸缩性强、便捷的可并行构建模型的GradientBoosting算法。
前朝明月照沟渠·2020-01-01 16:00

集成学习系列(六)-XGBoost原理

boosting翻译过来就是提升的意思，通过研究如果将许多个弱分类器集成在一起提升为一个强分类器就是多数boosting算法所研究的内容。其中最为经典的算法就是Adaboost,gdbt,xgboost等算法，本文将从xgboost的原理出发，带大家理解boosting算法。由于xgboost是提升树模型，所以它与决策树是息息相关的，它通过将很多的决策树集成起来，从而得到一个很强的分类器。1、基础
文哥的学习日记·2019-12-31 22:20

机器学习校招笔记2:集成学习

什么是集成学习，一句话，三个臭皮匠顶个诸葛亮。在分类的表现上就是，多个弱分类器组合变成强分类器。
薛皓哲·2019-12-31 21:03

【转】RF、GBDT、XGBoost面试级整理

RF、GBDT和XGBoost都属于集成学习（EnsembleLearning），集成学习的目的是通过结合多个基学习器的预测结果来改善单个学习器的泛化能力和鲁棒性。
徽hero兔·2019-12-31 21:02

集成学习系列(五)-GBDT(梯度提升决策树)

以前一直以为GBDT算法十分的什么，而且十分难懂，但是最近看了李航老师的《统计学习方法》一书的第八章，从AdaBoost算法，到通过前向分步算法来解释AdaBoost算法，再到最后的提升树部分，感觉写的十分细致，有些数学上的推导也并不是那么难懂。今天，我们就一步步揭开GBDT的什么面纱。有关加法模型和前向分步算法，可以参考我上一节的帖子：http://www.jianshu.com/p/a712d
文哥的学习日记·2019-12-31 15:01

《Scikit-Learn与TensorFlow机器学习实用指南》 第07章 集成学习和随机森林

（第一部分机器学习基础）第01章机器学习概览第02章一个完整的机器学习项目（上）第02章一个完整的机器学习项目（下）第03章分类第04章训练模型第05章支持向量机第06章决策树第07章集成学习和随机森林第
SeanCheney·2019-12-29 22:24

AdaBoost入门【附代码】

1.2集成学习  集成学习通过构建并结合多个个体学习器（基学习器\组件学习器）
GUET_DM_WLB·2019-12-29 11:20

谈谈模型融合之二 —— 随机森林

前言上篇文章介绍了集成学习的相关概念以及基于Boosting的AdaBoost，这篇文章将介绍基于模型融合的另一种方式Bagging的算法，随机森林（RandomForest）。
ITryagain·2019-12-28 18:00

sklearn学习笔记——集成学习

目标集成方法将几个基本估计器的预测与给定的学习算法结合起来，以提高单个估计器的通用性和鲁棒性。平均而言，联合估计通常比任何单基估计要好，因为它的方差减小了Bagging随机森林是bagging中的一种方法。以随机森林为例进行说明随机森林是构造很多颗决策树，形成一个森林，然后用这些决策树共同决策输出类别是什么。随机森林算法是在构建单一决策树的基础上进行的，同时它也是对单一决策树算法的延伸和改进。作为
龙鹰图腾223·2019-12-28 17:36

集成学习之Adaboost算法原理小结

集成学习(ensemblelearning)可以说是现在非常火爆的机器学习方法了。它本身不是一个单独的机器学习算法，而是通过构建并结合多个机器学习器来完成学习任务。也就是我们常说的“博采众长”。
孙志杰_6bb7·2019-12-28 14:34

机器学习之——集成算法，随机森林，Bootsing，Adaboost,Staking，GBDT,XGboost

集成学习集成算法随机森林(前身是bagging或者随机抽样）(并行算法)提升算法（Boosting算法）GBDT(迭代决策树)(串行算法)Adaboost(串行算法)Stacking——————————
前朝明月照沟渠·2019-12-28 14:00

机器学习入门之 — 集成学习

前置技能决策树and回归树https://www.jianshu.com/p/479e92cf4c2chttps://www.jianshu.com/p/b90a9ce05b28关于集成学习集成学习就是将多个弱的学习器结合起来组成一个强的学习器
zhaozhengcoder·2019-12-28 00:13

谈谈模型融合之一 —— 集成学习与 AdaBoost

于是乎就有了集成学习（EnsembleLearning），通过构建多个学习器一起结合来完成具体的学习任务。这篇文章将介绍集成学习，以及其中的一种算法AdaBoost。
ITryagain·2019-12-27 23:00

第四章（1.1）机器学习——RF(随机森林)、GBDT、XGBoost算法

一、概念RF、GBDT和XGBoost都属于集成学习（EnsembleLearning），集成学习的目的是通过结合多个基学习器的预测结果来改善单个学习器的泛化能力和鲁棒性。
_两只橙_·2019-12-26 13:18

随机森林与GBDT的区别

相同点：（1）都是由多棵树组成的，都是集成学习算法（2）最终的结果都是由多颗树一起决定不同点：(1)组成随机森林的树可以是分类树，也可以是回归树，但是GBDT只能由回归树组成。
arrnos·2019-12-24 17:54

一起来读西瓜书：第八章 集成学习

1.章节主要内容集成学习（ensemblelearning）是通过构建并结合多个分类器来完成学习任务。
闪电随笔·2019-12-24 07:53

5款精选阿里云大数据课程，9.9元助你踏出大数据行业入门第一步

1.ApsaraClouder大数据专项技能认证：基于机器学习的客户流失预警分析本课程讲解了客户流失的分析方法、流程，同时详细介绍了机器学习中常用的分类算法、集成学习模型等通用技
云计算小百科·2019-12-23 22:07

随机森林(Bagging + CART决策树)

随机森林就是通过集成学习的思想将多棵树集成的一种算法。其实从直观角度来解释，每棵决策树都是一个分类器（假设现在针对的是分类问题），那么对于一个输入样本，N棵树会有N个分类结果。
小幸运Q·2019-12-23 03:01

随机森林的原理及Python代码实现

随机森林，首先先简单介绍一下集成学习方法和决策树算法。
apollo_11f6·2019-12-22 18:36

二战周志华《机器学习》--集成学习

好而不同：集成学习中的个体学习器要有一定的准确性，即学习器不能太坏，同时，要具有一定的多样性，即学习期间要具有一定的差异。
文哥的学习日记·2019-12-22 07:35

2018-07-05

数据挖掘实验报告实验要求：对样本进行二分类，获取分类概率采用方法：随机森林方法简介随机森林就是通过集成学习的思想将多棵树集成的一种算法，它的基本单元是决策树，而它的本质属于机器学习的一大分支——集成学习
Ulricalin·2019-12-22 04:22

Bagging和Boosting的概念与区别

随机森林属于集成学习（EnsembleLearning）中的bagging算法。在集成学习中，主要分为bagging算法和boosting算法。我们先看看这两种方法的特点和区别。
HeartGo·2019-12-22 03:54

随机森林

1.集成学习的概念集成学习通过建立几个模型组合的来解决单一预测问题，有时也被称作多分类系统（multi-classifiersystem）。
shmilyzsc·2019-12-19 08:20

集成学习--bagging、boosting、stacking

集成学习(ensemblelearning)通过构建并结合多个学习器来完成学习任务。如何产生“好而不同”的个体学习器，是集成学习研究的核心。
xingzai·2019-12-17 05:01

集成学习

集成学习集成学习(ensemblelearning)是通过构建并结合多个学习器来完成学习任务。其一般结构为：先产生一组“个体学习器”（individuallearner)。
crazysheng·2019-12-17 02:43

今我来思，堆栈泛化（Stacked Generalization）

在集成学习（EnsembleLearning）中除了Bagging和Boosting对数据的横向划分划分之外，还有一个纵向划分（加深）的方法，一般称为StackedGeneralization（SG）的技术
史春奇·2019-12-16 06:57

Boosting原理

xgboost集成学习集成学习是什么？集成学习通过训练多个分类器，然后将其组合起来，从而达到更好的预测性能，提高分类器的泛化能力。
超级个体颛顼·2019-12-13 10:52

XGBoost算法原理小结

前言XGBoost（eXtremeGradientBoosting）全名叫极端梯度提升，XGBoost是集成学习方法的王牌，在Kaggle数据挖掘比赛中，大部分获胜者用了XGBoost，XGBoost在绝大多数的回归和分类问题上表现的十分顶尖
机器学习算法那些事·2019-12-13 00:43

3.1.1.8 集成学习

集成学习原理《机器学习》周志华8.1个体与集成集成学习(ensemblelearning)通过构建并结合多个学习器来完成学习任务，有时也被称为多分类器系统(multi-classifiersystem)
hxiaom·2019-12-12 02:49

(补) 决策树-集成学习几个小点

决策树简单回顾不在反复重复地加深认知了决策树由节点和边,每个叶子节点表示的就是一个最终决策结果一个决策树与对应的决策边界,域值划分而已训练一颗决策树,需要三个要素树的形状每一个决策的阀值\(\theta_i\)叶节点的值(最终的决策输出)最为复杂的一部分是,如何根据数据去确定一棵树的形状,当然可以穷举,列出所有可能的树形状,再来选,就有点耗时,实际中不大行.信息熵之前的篇幅,已经多次说了来源及推导
小陈同学的数据之路·2019-12-09 18:00

集成学习 - 决策树-随机森林

认识我觉得决策树+随机森林应该是ML中最为重要的算法之一了吧,反正我是很喜欢用的.算法难度低,可解释性很强,能可视化能处理非线性,可扩展为随机森林(集成学习)建立决策树的判别依据有很多,比较主流的有经典的
小陈同学的数据之路·2019-12-09 00:00

集成学习 - AdaBoost

Adaboost它的思想是,通过几个弱分类器,然后训练出一个强分类器,真的是三个臭皮匠赛过诸葛亮我觉得是最为适合的.还有一点它的数学理论也是很完美的,跟SVM一样.我自己感觉,这种思想,真的是,将穷人的智慧发挥到极致.想到句口号"聚是一团火,散是满天星"这样的意思.我这提了穷,是想到了,Hadoop-HDFS分,也是用一些廉价的机器,通过有机地组织起来,就成了强大的一个团队.(注意跟Bagging
小陈同学的数据之路·2019-12-08 17:00

集成学习 - Bagging

认识Bagging的全称为(BootStrapAggregation),嗯,咋翻译比较直观一点呢,就有放回抽样模型训练?算了,就这样吧,它的Paper是这样的:AlgorithmBagging:Letnbethenumberofbootstrapsamples这步非常关键:对训练样本进行有放回抽样,这样就可达到,将原来只有一个数据集,现在有n个数据集了.fori=1tondo:3.Drawboot
小陈同学的数据之路·2019-12-07 23:00

高级算法梳理：task1随机森林算法梳理

集成学习的概念集成学习(EnsembleLearning)通过构建并结合多个基学习器来完成学习任务，比如分类问题下，集成学习通过一定的方式组合若干个基分类器的预测结果来对问题进行更精准的预测，具有更高的鲁棒性和泛化能力个体学习器的概念由已有的学习算法从训练数据中学习产生的
dingtom·2019-12-07 21:42

集成学习-Majority Voting

认识集成学习(EnsembleMethods),首先是一种思想,而非某种模型,是一种"群体决策"的思想,即对某一特定问题,用多个模型来进行训练.像常见的单个模型,KNN,LR,逻辑回归,贝叶斯,SVM,
小陈同学的数据之路·2019-12-07 21:00
上一页 43 44 45 46 47 48 49 50 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他